ANÁLISE DE MODELOS DE DIFUSÃO NO SETOR AUTOMOBILÍSTICO Rafael Ribeiro Rocha ITA, Rua H8B, 205, CTA, São José dos Campos Bolsista PIBIC-CNPq [email protected] Rodrigo Arnaldo Scarpel ITA, Pça. Mal. Eduardo Gomes, nº 50, São José dos Campos [email protected] O presente projeto visa analisar os modelos de difusão no setor automobilístico. O principal objetivo deste estudo é poder prever as vendas de determinado automóvel para a que a montadora possa estimar investimento em marketing, estoque nas fábricas e épocas para alterar determinado modelo de veículo. Os modelos de difusão usados neste trabalho foram o de Bass (1969) e o de Kumar (2004) aplicados em automóveis populares de 1000cc. As conclusões deste trabalho são que os modelos analisados não possuem grande precisão na estimativa. Apesar disso, verificou-se que os testes realizados com o modelo de Kumar (2004) é mais eficiente. Para um próximo trabalho, sugere-se fazer uma análise mais profunda sobre efeitos da entrada de novos veículos, a implementação de novas tecnologias, além de efeitos econômicos como facilidade de crédito, índice de desemprego e o câmbio. Palavras chave: difusão, produtos novos, automobilístico, imitação, inovação. 1. Introdução A dinâmica gerada pela introdução e difusão das novas tecnologias no mercado e a melhoria ou declínio das tecnologias existentes determinam as trajetórias tecnológicas. A competitividade de uma empresa está, cada vez mais, associada, principalmente, com a sua capacidade de diferenciar seus produtos através da inovação tecnológica, e não com seus preços e custos. Isto pode ser observado no setor automobilístico em que a disputa entre os fabricantes está fundamentada no crescimento da demanda, que busca ser conquistada não somente pelo preço, mas, principalmente, pela diferenciação e inovação de seus produtos. Exemplo disso é que em 1970, o setor automobilístico produzia automóveis em 4 versões, passando a oferecer, em 1990, mais de 20. A diferenciação mostrou-se, desta forma, um fator importante para o sucesso e competitividade das empresas deste setor. Dentre as diferenciações realizadas nos últimos anos, através da inovação, pode-se destacar a criação de novas categorias como as de mini-van e de utilitários esportivos, bem como a introdução dos motores bi-combustível. Uma possibilidade de se estudar as inovações tecnológicas são os modelos de difusão tecnológica, que buscam explicar os principais determinantes que afetam a adoção de uma tecnologia ao longo do tempo e do espaço. Desde sua introdução no marketing em 1960, a teoria de difusão tem despertado o interesse de pesquisadores em todas as áreas de estudo, contribuindo para o desenvolvimento cumulativo da teoria de difusão, pelo fato de sugerir modelos analíticos para desenvolver e predizer a difusão de uma inovação no sistema social. Grande parte desses estudos, envolvendo inovações tecnológicas, enfoca a construção de modelos para explicar, empiricamente, o padrão de adoção de novas tecnologias. Um dos primeiros modelos de difusão encontrados na literatura é o de Bass (1969). Outros modelos, ainda, devem ser testados e estudados, permitindo melhor conhecimento do comportamento da curva de crescimento do setor automobilístico, o que melhorará a previsão do comportamento futuro, pois muito ainda deve ser investigado, uma vez que a acurácia média dos modelos de previsão para produtos novos é muito baixa (58%). 2. Descrição do problema 2.1. Introdução ao problema Segundo o modelo de difusão de Bass (1969), podemos classificar os consumidores como inovador, aquele que decide adotar um novo produto sem a influência de outro, e imitador, aquele indivíduo que é influenciado de alguma forma por aqueles que já o compraram. Os autores (MAHAJAN, MULLER e BASS, 1990) definiram que o grupo dos consumidores inovadores é influenciado apenas pelas comunicações da mídia em massa (influência externa), já o grupo dos consumidores imitadores é influenciado pelas comunicações interpessoais (influência interna). 2.1.1 Modelo matemático A partir desses conceitos, Bass elaborou um modelo matemático para tentar prever as vendas de determinado produto, onde P(t) é a probabilidade de compra inicial no tempo t; p é o coeficiente de inovação; q é o coeficiente de imitação; m é o tamanho do mercado; e N(t) são as vendas prévias. Tem-se: P(t) = p + (q/m)N(t). Também pode-se escrever esta equação da seguinte forma: , onde f(t) é a densidadede compra em t, e F(t) é a parcela de compras acumuladas até o instante t, e são relacionadas como: . O número de vendas no instante t pode ser escrito como: . A integral dos números de vendas n(t) resulta no número total de vendas: . A partir das relações mostradas acima, tem-se: , redistribuindo os fatores, tem-se: . Este resultado pode ser analisado como uma equação de segundo grau (Y=A+Bx+Cx²) de n(t) em função de N(t). A partir da Figura 1, pode-se observar a influência de cada tipo de consumidor nas vendas, observando o crescimento até um pico e em seguida o declínio das vendas. Figura 1 – Estrutura analítica do modelo de BASS 2.1.2 Estimativa com histórico de vendas Essa estimativa é feita tentando aproximar os dados reais com o modelo de Bass e com isso pode-se obter resultados que muitas vezes são confiáveis. Para isso, utiliza-se a fórmula que foi demonstrada anteriormente, para estimar as vendas, observando que ela se comporta como uma função de segundo grau (Y = A+Bx+Cx²). Após isso, comparam-se esses valores estimados (Yi) com os valores de venda reais (Qi), calculando o quadrado dos erros. A soma desses erros é o SSE, do inglês Sum of Squared Errors, que dá uma idéia qualitativa deste erro, já que ele não será negativo, então tem-se: . O software MS EXCEL® possui uma ferramenta que realiza regressões não-lineares, o solver, que ajuda a determinar os valores dos parâmetros m, p e q, variando os valores dos coeficientes da equação do segundo grau de forma a minimizar o SSE. No entanto, este procedimento não é muito eficiente, pois, nos casos em que as raízes do polinômio são complexas, o resultado não converge e, assim, perde a confiabilidade. Para medir essa confiabilidade, calcula-se o coeficiente de confiabilidade (R²), que varia entre 0 e 1, cuja fórmula é dada por: , onde . Um método alternativo é o modelo formulado em 2004 por Kumar, que utiliza algoritmo genético para determinar a curva de venda, cuja fórmula é dada por: , onde p é o coeficiente de inovação; q é o coeficiente de imitação e t tempo. Este modelo tem algumas vantagens em relação ao de Bass, pois a equação dos parâmetros não possui raízes complexas, obtendo assim valores mais realísticos. 3. Resultados obtidos Primeiramente, encontram-se os valores de vendas preditas e compara-se com os valores de vendas reais. Desse resultado pode-se estimar o potencial de mercado, os coeficientes de inovação e imitação de cada automóvel. Para os dois primeiros modelos de automóveis, os testes foram realizados utilizando o modelo matemático de Kumar para obter as previsões de venda para compará-los com os dados reais. Para os dois últimos, o modelo matemático usado foi o de Bass, cujos parâmetros p, q e m devem ser determinados a partir da solução da equação: . 3.1. FIAT Palio Tabela 1 – Vendas reais, preditas e erro quadrático Ano 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 TOTAL Vendas Real Preditas 95538 231924 237157 207962 166874 184447 126376 162010 136367 141094 154613 121968 118919 104758 100938 89481 92439 76072 33363 64413 1262584 1384130 Erro^2 18601200856 852332671 308815697 1269812821 22343867 1065719003 200526716 131256839 267875851 964112519 2,37E+10 Para o FIAT Palio, foram analisadas as vendas de 1996 a 2005. Pela Tabela 1, pode-se observar que, com exceção do ano de 1996, obtive-se uma boa aproximação dos valores reais com os do modelo. Agora, utilizando a fórmula matemática para determinação da previsão de vendas, tem-se: Potencial de mercado (m): 1715286 Coeficiente de inovação (p): 0,1421 Coeficiente de imitação (q): 0,0451 SSE: 2,37x 1010 R²: 0,85 Analisando o potencial de mercado, vemos que o FIAT Palio possui bastante espaço em vendas, no entanto, vê-se que suas vendas estão em grande descendência. Isso pode ser explicado pela entrada de modelos FLEX no mercado. Essas mudanças são muito difíceis de serem analisadas e não estão no projeto desta iniciação. O indicador de confiabilidade, R², revelou que o modelo para previsão de vendas foi satisfatório, como pode-se avaliar pela Figura 2. Figura 2. – Vendas Reais e Preditas 3.2. VOLKSWAGEN Gol Para VW Gol, foram analisados os dados de 1993 a 2005, obtendo um resultado não condizente com a realidade. Tabela 2 – Vendas reais, preditas e erro quadrático Ano 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 TOTAL Vendas Real Ideal 76692 69783,3 117518 83928,77 157109 98581,67 190268 112625,9 249694 124666,2 205199 133255,4 191087 137220,8 229453 135982 255561 129722,9 174088 119336,5 127482 106167,9 117849 91676,28 21720 77145,5 2113720 1420093 Erro 4,77E+07 1,13E+09 3,43E+09 6,03E+09 1,56E+10 5,18E+09 2,90E+09 8,74E+09 1,58E+10 3,00E+09 4,54E+08 6,85E+08 3,07E+09 6,61E+10 Agora, utilizando a fórmula matemática para determinação da previsão de vendas, tem-se: Potencial de mercado (m): 1.717.433 Coeficiente de inovação (p): 0,0280 Coeficiente de imitação (q): 0,4439 SSE: 3,09 x 1010 R²: 0,455 Figura 3. – Vendas Reais e Preditas No caso do VW Gol, observamos que nos anos de 1998 a 2000, houve uma queda acentuada nas vendas, que pode ter sido causada por descontentamento de um modelo, uma crise econômica, entrada de outro modelo no mercado etc. Mas, isso não pode ser previsto pelo modelo matemático, por isso há esse erro. Além disso, os dados coletados são apenas dos veículos a gasolina, não considerando os modelos FLEX. 3.3. FIAT Uno Tabela 3 – Vendas Reais Ano 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 TOTAL Vendas Reais 23013 67292 63523 119675 203708 232750 202563 86901 61565 68733 102074 113545 91427 90869 94022 32006 1.653.666 Para o FIAT Uno, foram analisadas as vendas desde 1990 a 2005. Usando o modelo matemático de Bass, plotou-se no gráfico abaixo as vendas reais e as vendas acumuladas para obter uma linha de tendência polinomial de segundo grau. A partir da equação dessa linha, pode-se obter os parâmetros p, q e m. Figura 4. – Gráfico de vendas reais e preditas Agora, utilizando a fórmula matemática, para determinação dos parâmetros, tem-se: Potencial de mercado (m): 2.122.167 Coeficiente de inovação (p): 0,0423 Coeficiente de imitação (q): 0,1640 R²: 0,136 Analisando o potencial de mercado, observa-se que o FIAT Uno ainda possui um espaço de vendas de aproximadamente 500 mil veículos. Esse número pode ser maior, já que para esse teste foi analisado somente o modelo a gasolina. As vendas do Fiat Uno vêm diminuindo bastante e isso pode ser explicado devido à entrada de dos modelos FLEX no mercado. Essas mudanças são muito difíceis de serem analisadas e não estão no projeto desta iniciação. O indicador de confiabilidade, R², foi baixo, confirmando a falta de precisão do modelo para o FIAT Uno. No gráfico 4.3 pode-se observar os números de vendas reais e o predito pelo modelo de Bass (representado pela linha de tendência polinomial de segunda ordem). 3.4. CHEVROLET Corsa Tabela 4 – Vendas Reais Ano 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 TOTAL Real 54136 118813 144549 163951 114204 71239 72968 46696 27814 22742 20529 22815 880.456 Para o Chevrolet Corsa, foram analisadas as vendas desde 1994 a 2005. Usando o modelo matemático de Bass, plotou-se no gráfico abaixo as vendas reais e as vendas acumuladas para obter uma linha de tendência polinomial de segundo grau. A partir da equação dessa linha, pode-se obter os parâmetros p, q e m. Figura 5. – Gráfico de vendas reais e preditas Potencial de mercado (m): 794.137 Coeficiente de inovação (p): 0,0656 Coeficiente de imitação (q): 0,5559 R²: 0,887 No caso do Chevrolet Corsa, observa-se que a partir de 1997 houve uma queda acentuada nas vendas, que pode ter sido causada pelo lançamento do outro modelo Sedan do Chevrolet Corsa. Analisando o potencial de mercado, observa-se uma inconsistência, já que pelo modelo, o potencial seria de 794.137 veículos, no entanto as vendas acumuladas são de 880.456 unidades. O indicador de confiabilidade, R², foi alto, e pode-se obter uma boa precisão dos resultados. 4. Agradecimentos Ao CNPq, pela oportunidade. Ao meu orientado Rodrigo Scarpel. Ao Edgar, formando do curso de Engenharia Mecânica Aeronáutica 2006. Aos meus pais, minha irmã e minha namorada. Ao CNPq, pela bolsa auxílio. 5. Referências Norton, Jonh A.; Bass, Frank M. “A Diffusion Theory model of Adoption and substitution for successive Generations of High-Technology Products”. The University of Virginia, Charlotteville, Virginia, 1987. Mahajan, Vijay; Muller, Eitan. “Timing, Diffusion, and Substitution of Successive Generations of Technological Innovations: The IBM Mainframe Case”. North-Holland, 1996. Mahajan, Vijay; Muller, Eitan; Bass, Frank M. “New Products Diffusion Models in Marketing: A Review and Dir”. Jornal of Marketing, 1990. Scarpel, Rodrigo A. “Previsão de tendências Tecnológicas”. Instituto Tecnológico de Aeronáutica, 2006. Rodrigues, Edgar M. “Modelos de Difusão na Indústria Automobilística”. Trabalho de Graduação, Instituto Tecnológico de Aeronáutica, 2006. Krishanan, Trichy V.; Vernkatesean, R; Kumar, V. “Evolutionary Estimation of Macro-Level Diffusion Models Using Generic Algotims: An Alternative to Nonlinear Least Squares”. Marketing Science, 2004